RESOLUSI : Rekayasa Teknik Informatika dan Informasi

ISSN 2745-7966 (Media Online)

Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi

Penerapan Jaringan Syaraf Tiruan Backpropagation Dalam Memprediksi

Jumlah Pertumbuhan Kendaraan Di Provinsi Sumatera Utara
Bagus Supranda*, Solikhun, Zulia Almaida Siregar
STIKOM Tunas Bangsa, Pematangsiantar, Indonesia
Jalan Jendral Sudirman Blok A, No.1,2 & 3, Pematangsiantar, Sumatera Utara, Indonesia
Email: 1bagussupranda@gmail.com,
Email Penulis Korespondensi: bagussupranda@gmail.com
Abstrak−Kendaraan bermotor menjadi bagian dari kebutuhan terhadap transportasi atau kendaraan yang merupakan turunan akibat
aktifitas ekonomi, sosial dan aktivitas lainnya. Pertumbuhan kendaraan tidak sebanding dengan populasi penduduk di provinsi
Sumatera Utara. Hal ini menyebabkan berbagai dampak negatif, salah satunya yaitu terjadinya peningkatan kemacetan lalu lintas,
pencemaran udara dari kendaraan bermotor yang menimbulkan meningkatnya emisi gas rumah kaca. Berdasarkan masalah tersebut
perlu adanya prediksi terhadap jumlah kendaraan yang ada di Provinsi Sumatera Utara dengan menggunakan jaroingan saraf tiruan
algoritma backpropagation. Hasil uji coba yang dilakukan dengan software MATLAB R2011b model arsitektur terbaiknya adalah
model 2-2-1 dengan tingkat akurasi 94% dengan jumlah MSE 0.000208514, nilai epoch 789. Dapat disimpulkan bahwa metode
Backpropagation dapat di jadikan salah satu metode prediksi yang memudahkan dalam mencari prediksi apapun
Kata Kunci: Backpropagation; JST; Kendaraan; Matlab; BPS
Abstract−Motorized vehicles are part of the need for transportation or vehicles that are derivatives due to economic, social and other
activities. The growth of vehicles is not proportional to the population in the province of North Sumatra. This causes various negative
impacts, one of which is an increase in traffic congestion, air pollution from motorized vehicles which causes an increase in
greenhouse gas emissions. Based on this problem, it is necessary to predict the number of vehicles in North Sumatra Province using
the backpropagation algorithm artificial neural network. The results of trials carried out with MATLAB R2011b software, the best
architectural model is the 2-2-1 model with an accuracy rate of 94% with MSE number 0.000208514, epoch value 789. It can be
concluded that the Backpropagation method can be used as one of the predictive methods that makes it easier to find predictions.
whatever
Keywords: Back-propagation; Vehicle ANN; Matlab; BPS

1. PENDAHULUAN
Pesatnya kemajuan global kebutuhan terhadap kendaraan bermotor semakin tinggi, maka dapat mengakibatkan tidak
seimbangnya terhadap populasi penduduk yang ada[1]. Pada saat ini, kendaraan bermotor menjadi bagian dari
kebutuhan terhadap transportasi atau kendaraan yang merupakan turunan akibat aktifitas ekonomi, sosial dan aktivitas
lainnya[2]. Provinsi Sumatera Utara merupakan salah satu provinsi yang ada di Indonesia. Banyak aktivitas kegiatan
masyarakat baik dalam bidang pemerintahan, pendidikan, perdagangan, industri maupun transportasi. Provinsi
Sumatera Utara mengalami pertumbuhan penduduk yang cukup tinggi dari tahun-ketahun, dikarenakan banyaknya
penduduk yang berimigrasi dari daerah lain. Perkembangan jumlah penduduk juga mempengaruhi bertambahnya
jumlah kendaraan yang ada. Berdasarkan data dari Badan Pusat Statistik (BPS), bahwa jumlah kendaraan di provinsi
Sumatera Utara pada Tahun 2017 (305.983), Tahun 2018 (363.362) dan Tahun 2019 (518.798) dengan jumlah
keseluruhan (1.188.143). Pertumbuhan kendaraan tidak sebanding dengan populasi penduduk di provinsi Sumatera
Utara. Hal ini menyebabkan berbagai dampak negatif, salah satunya yaitu terjadinya peningkatan kemacetan lalu lintas,
pencemaran udara dari kendaraan bermotor yang menimbulkan meningkatnya emisi gas rumah kaca. Berdasarkan
masalah tersebut perlu adanya prediksi terhadap jumlah kendaraan yang ada di Provinsi Sumatera Utara. Oleh karena
itu, dibutuhkan prediksi yang akurat untuk mengetahui jumlah kendaraan tiap tahun.Untuk itu dapat dilakukan tindakan
preventif untuk menyesuaikan antara kebutuhan masyarakat atas kendaraan dengan kendaraan umum yang ada. Selain
itu, dapat dilakukan juga pembatasan pada kepemilikan kendaraan. Prediksi dilakukan dengan memanfaatkan sistem
kecerdasan buatan yang salah satunya adalah Jaringan Syaraf Tiruan dengan menggunakan metode Algoritma
Backpropagation dalam memprediksi jumlah pertumbuhan kendaraan di Provinsi Sumatera Utara. Jaringan Syaraf
Tiruan merupakan salah satu representasi buatan dari otak manusia yang diimplementasikan pada program komputer
yang mampu menyelesaikan sejumlah perhitungan dalam menarik suatu kesimpulan [3]. Backpropagation merupakan
bagian dari Jaringan Syaraf Tiruan yang menggunakan beberapa pola dalam mencapai jumlah kesalahan yang
minimum dalam memprediksi suatu kebenaran [3]. Diharapkan dengan sistem ini dapat membantu kepada pihak terkait
dalam menghitung dan memprediksi jumlah pertumbuhan kendaraan di Provinsi Sumatera Utara.

2. METODOLOGI PENELITIAN
2.1. Teknik Pengumpulan Data
Sumber data diperoleh dari Badan Pusat Statistik Indonesia melalui website www.bps.go.id. Data penelitian yang
digunakan adalahdata pertumbuhan kendaraan Provinsi Sumatera Utara pada tahun 2017 sampai 2019.

Bagus Supranda, RESOLUSI, Page 152

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
2.2. Analisis Data
Data yang digunakan dalam penelitian ini dapat dilihat pada Tabel 3.1. merupakan data mentah dari Microsoft Excel
Jumlah Kendaraan Menurut Unit Pelaksana Teknis (UPT) 2017-2019 dengan nama datasheet Data Jumlah Kendaraan.
Tabel 1. Data Sheet Jumlah Kendaraan
No Unit Pelaksana Teknis (UPT) Tahun
2017 2018 2019
1 Medan Utara 96584 163352 223135
2 Medan Selatan 29884 30652 52240
3 Lubuk Pakam 13904 12304 19694
4 Tebing Tinggi 8486 7678 11028
5 Pematang Siantar 14987 15988 25407
6 Binjai 12029 11658 17669
7 Stabat 8792 7464 11760
8 Tanjung Balai 3542 2950 4575
9 Kisaran 18037 17012 22750
10 Rantau Prapat 11701 9500 13796
11 Lima Puluh 4594 2696 4718
12 Perdagangan 7812 6040 7621
13 Sei Rampah 8674 7396 10732
14 Aek Kanopan 5535 4088 5770
15 Kota Pinang 6936 4596 6801
16 Kabanjahe 4613 4719 7512
17 Pangkalan Brandan 6372 5127 6522
18 Sibolga 5796 4759 5813
19 Sidikalang 2687 2949 4121
20 Tarutung 2818 3466 4812
21 Padang Sidimpuan 4878 5353 7012
22 Panyabungan 3922 5107 6621
23 Sibuhuan 818 749 655
24 Gunung Sitoli 5561 5802 7905
25 Gunung Tua 476 549 548
26 Natal 919 995 978
27 Pandan 1544 3935 5890
28 Balige 2254 2473 3849
29 Teluk Dalam 1333 1463 2134
30 Pangururan 1172 1355 2311
31 Dolok Sanggul 1669 1971 2622
32 Salak 264 339 429
33 Sipirok 7390 8877 11368
Jumlah 308000 365380 520817

3. HASIL DAN PEMBAHASAN

Selanjutnya data dibagi menjadi menjadi 2, yaitu data pelatihan dan data pengujian. Data pelatihan dan data pengujian
diambil dari data yang sama yaitu 2 kolom awal yaitu tahun 2017 (X1), tahun 2018 (X2) dan datu kolom akhir tahun
2019 (Target).
3.1 Normalisasi
Data Training dan data Testing yang sudah ditentukan akan di normalisalikan menggunakan fungsi sigmoid (tidak
pernah mencapai nilai 0 ataupun 1). Adapun rumus normalisasi dapat dilihat pada persamaan (1).
a) Perhitungan untuk normalilsasi data Training dan data Testing dengan ketentuan nilai maksimum sebesar 223135
dan nilai minimum sebesar 264. Berikut merupakan contoh perhitungannya :
0.8 (96584−264)
𝑥 ′ = 223135−264 + 0.1 = 0,4457
0.8 (163352−264)
𝑥′ = + 0.1 = 0,6854
223135−264
′ 0.8 (223135−264)
𝑥 = + 0.1 = 0,9000
223135−264
0.8 (29884−264)
𝑥 ′ = 223135−264 + 0.1 = 0,2063
Hasil normalisasi data Training dan data Testing dapat dilihat pada tabel 2 dibawah sebagai berikut.

Bagus Supranda, RESOLUSI, Page 153

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
Tabel 2. Normalisasi Data Training dan Data Testing
Unit Pelaksana Teknis (UPT) 2017 (X1) 2018 (X2) X3 (Target)
Medan Utara 0,4457 0,6854 0,9000
Medan Selatan 0,2063 0,2091 0,2866
Lubuk Pakam 0,1490 0,1432 0,1697
Tebing Tinggi 0,1295 0,1266 0,1386
Pematang Sianta 0,1528 0,1564 0,1903
Binjai 0,1422 0,1409 0,1625
Stabat 0,1306 0,1258 0,1413
Tanjung Balai 0,1118 0,1096 0,1155
Kisaran 0,1638 0,1601 0,1807
Rantau Prapat 0,1411 0,1332 0,1486
Lima Puluh 0,1155 0,1087 0,1160
Perdagangan 0,1271 0,1207 0,1264
Sei Rampah 0,1302 0,1256 0,1376
Aek Kanopan 0,1189 0,1137 0,1198
Kota Pinang 0,1239 0,1155 0,1235
Kabanjahe 0,1156 0,1160 0,1260
Pangkalan Brandan 0,1219 0,1175 0,1225
Sibolga 0,1199 0,1161 0,1199
Sidikalang 0,1087 0,1096 0,1138
Tarutung 0,1092 0,1115 0,1163
Padang Sidimpuan 0,1166 0,1183 0,1242
Panyabungan 0,1131 0,1174 0,1228
Sibuhuan 0,1020 0,1017 0,1014
Gunung Sitoli 0,1190 0,1199 0,1274
Gunung Tua 0,1008 0,1010 0,1010
Natal 0,1024 0,1026 0,1026
Pandan 0,1046 0,1132 0,1202
Balige 0,1071 0,1079 0,1129
Teluk Dalam 0,1038 0,1043 0,1067
Pangururan 0,1033 0,1039 0,1073
Dolok Sanggul 0,1050 0,1061 0,1085
Salak 0,1000 0,1003 0,1006
Sipirok 0,1256 0,1309 0,1399
Maksud dari tabel 2. dapat dilihat pada kriteria input data Training dan input data Testing pada table 3. terdapat
dua input data dengan satu target.
Tabel 3. Kriteria Input data Training dan Input data Testing
Input Data Training Input Data Testing
No. Variabel Nama Kriteria No. Variabel Nama Kriteria
1 X1 Data tahun 2017 1 X2 Data tahun 2017
2 X2 Data tahun 2018 2 X2 Data tahun 2018
3 X3 (Target) Data tahun 2019 3 X2 (Target) Data tahun 2019
Pada penelitian ini menggunakan sebanyak 5 arsitektur pelatihan dan pengujian dengan algoritma
backpropagation yaitu : 2-2-1, 2-3-1, 2-4-1, 2-5-1 dan 2-7-1.
3.2. Pelatihan dan Pengujian Data Dengan Model Arsitektur 2-2-1
Arsitektur pertama yang digunakan yaitu arsitektur 2-2-1, maksudnya pelatihan dan pengujian data menggunakan layer
masukan sebanyak 2, neuron Input 2layer tersembunyi dan 1 Output keluaran. Source Code pelatihan dan pengujian
yang digunakan pada Software Matlab R2011b sebagai berikut :
a. >>net=newff(minmax(P),[2,1],{'tansig','purelin'},'traingd');
Perintah ini digunakan untuk membentuk jaringan back-propagation standard yang mempunyai 2 neuron hidden
dan 1 neuron target.
b. >> net.IW{1,1};
Net.LW{1,1} bobot pertama digunakan untuk bobot hidden
c. >> net.b{1};
Net.b{1}bias yang digunakan untuk bias hidden.
d. >> net.LW{2,1};
Net.LW{2,1} bobot kedua untuk bobot output.

Bagus Supranda, RESOLUSI, Page 154

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
e. >> net.b{2};
Bias yang digunakan untuk bia output.
f. >> net.trainParam.epochs=15000;
Perintah untuk mrnrntukan jumlah iterasi (epochs) maksimum saat pelatihan
g. >> net.trainParam.goal = 0.01;
Perintah untuk menentukan batas MSE agar iterasi dihentikan.
h. >> net.trainParam.Lr = 0.01;
Perintah untuk menentukan laju pembelajaran (learning rate).
i. >> net.trainParam.show = 100;
Perintah untuk menampilkan frekuensi perubahan MSE
j. >> net=train(net,P,T)
Perintah untuk menampilkan jaringan hasil pelatihan.
k. >> [a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
Perintah untuk melihat hasil output oleh jaringan
Pelatihan dan pengujian Jaringan Saraf Tiruan dengan arsitektur 2-2-1 dapat dilihat pada Gambar 1, dan 2.
berikut :

Gambar 1. Pelatihan Model Arsitektur 2-2-1 Backpropagation

Berdasarkan Gambar 1 dapat dilihat bahwa model jaringan arsitektur 2-2-1 menghasilkan epoch sebesar 789
iterasi dalam waktu 00:16 detik.

Gambar 2. Best Training Performance Model Arsitektur 2-2-1

Pada Gambar 2. menunjukkan error goal (MSE) pada pelatihan ini sebesar 0.0099777 dicapai pada epoch yang
789. Semua data yang selesai diolah dapat disimpulkan kembali agar mendapat model arsitektur terbaik. Pada
penelitian ini terdapat tiga model arsitektur yaitu 2-2-1, 2-3-1, 2-4-1, 2-5-1, 2-7-1 dapat dilihat pada table berikut :

Bagus Supranda, RESOLUSI, Page 155

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi

Tabel 4. Model Arsitektur Backpropagation

Traning Testing
No Arsitektur
Epoch Waktu MSE MSE Akurasi
1 02/02/2001 789 00:16 0,0002085 0,0002085 94
2 02/03/2001 460 00:09 0,0050641 0,0050641 85
3 02/04/2001 544 00:14 0,0071905 0,0071905 61
4 02/05/2001 734 00:13 0,0048128 0,0048128 85
5 02/07/2001 459 00:10 0,0029904 0,0008466 88
Pada tahapan ini akan dilakukan pengamatan terhadap laju pembelajaran kinerja jaringan dengan parameter
tingkat akurasi, waktu pembelajaran, MSE selama proses pelatihan dan lamanya waktu iterasi (Epoch). Dengan
memakai arsitektur jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran terhadap kinerja jaringan.
Berdasarkan Tabel 4.10. diatas dapat disimpulkan bahwa dalam melakukan proses prediksi jumlah pertumbuhan
kendaraan dengan menerapkan algoritma backpropagation yang menggunakan lima (5) model arsitektur. Dari kelima
model arsitektur tersebut diperoleh satu (1) model terbaik yaitu 2-2-1 dengan tingkat keakurasian 94 % dengan epoch
789 iterasi dalam waktu 00.16 detik. Berikut ini adalah hasil dari arsitektur terbaik :
Tabel 5. Hasil Arsitektur Backpropagation Terbaik
Data Training-Testing
Pola Target Output JST Error SSE Hasil
1 0,9000 0,3329 0,5671 0,3216 0
2 0,2491 0,2508 -0,0017 0,0000 1
3 0,1591 0,1671 -0,0080 0,0001 1
4 0,1364 0,1462 -0,0098 0,0001 1
5 0,1771 0,1783 -0,0011 0,0000 1
6 0,1559 0,1615 -0,0056 0,0000 1
7 0,1353 0,1463 -0,0110 0,0001 1
8 0,1132 0,1304 -0,0173 0,0003 1
9 0,1822 0,1884 -0,0063 0,0000 1
10 0,1453 0,1561 -0,0108 0,0001 1
11 0,1119 0,1313 -0,0194 0,0004 1
12 0,1283 0,1419 -0,0136 0,0002 1
13 0,1350 0,1460 -0,0110 0,0001 1
14 0,1188 0,1349 -0,0162 0,0003 1
15 0,1212 0,1378 -0,0166 0,0003 1
16 0,1219 0,1347 -0,0129 0,0002 1
17 0,1239 0,1380 -0,0141 0,0002 1
18 0,1220 0,1365 -0,0144 0,0002 1
19 0,1132 0,1294 -0,0162 0,0003 1
20 0,1157 0,1303 -0,0146 0,0002 1
21 0,1250 0,1362 -0,0112 0,0001 1
22 0,1238 0,1344 -0,0106 0,0001 1
23 0,1024 0,1241 -0,0217 0,0005 1
24 0,1272 0,1379 -0,0108 0,0001 1
25 0,1014 0,1235 -0,0221 0,0005 1
26 0,1036 0,1246 -0,0210 0,0004 1
27 0,1180 0,1295 -0,0115 0,0001 1
28 0,1108 0,1281 -0,0173 0,0003 1
29 0,1059 0,1256 -0,0198 0,0004 1
30 0,1054 0,1253 -0,0200 0,0004 1
31 0,1084 0,1267 -0,0184 0,0003 1
32 0,100368 0,1230 -0,0227 0,0005 1
33 0,14225 0,1466 -0,0043 0,0000 1
Total 0,0069
94
MSE 0,0002085
Dalam melakukan proses prediksi terhadap jumlah pertumbuhan kendaraan ditahun yang akan datang maka akan
dilakukan pengolahan data dengan melakukan pengujian data secara komputerisasi. Proses yang dilakukan sama dengan
melakukan pelatihan terhadap data awal, namun dalam proses prediksi pengujian data yang dilakukan pada software
Matlab R2011b menggunakan model arsitektur terbaik untuk mengetahui seberapa besar keakuratan suatu model

Bagus Supranda, RESOLUSI, Page 156

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
arsitektur terbaik yang diperoleh. Adapun langkag-langkah yang dilakukan dalam melakukan proses prediksi, yaitu
sebagai berikut :
a) Melakukan perhitungan secara komputerisasi terhadap data input (data awal) dengan variabel yang berbeda
dengan pelatihan sebelumnya.
b) Melihat hasil keluaran data target prediksi dengan menggunakan software Matlab R2011b dengan menentukan
paramater-parameter yang sudah ditentukan.
c) Setelah hasil keluaran data target prediksi diperoleh, langkah selanjutnya yaitu mencari hasil dari hasil prediksi
sebagai hasil jumlah pertumbuhan kendaraan ditahun yang akan datang dengan menggunakan persamaan sebagai
berikut.
(𝑡𝑎𝑟𝑔𝑒𝑡 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖−0,1)(𝑏−𝑎)
Prediksi = +𝑎 (1)
0,8

Keterangan : 𝑎 : data minimum

𝑏 : data maksimum
Adapun hasil prediksi terhadap jumlah pertumbuhan kendaraan untuk tahun 2020 dapat dilihat pada table 6.
berikut :
Tabel 6. Prediksi Jumlah Pertumbuhan Kendaraan 2020
No Data Real (2019) Target Target Prediksi Prediksi
1 223135 0,9000 0,3329 287966
2 52240 0,2864 0,2508 265103
3 19694 0,1695 0,1671 241808
4 11028 0,1384 0,1462 235995
5 25407 0,1900 0,1783 244923
6 17669 0,1622 0,1615 240244
7 11760 0,1410 0,1463 236024
8 4575 0,1152 0,1304 231605
9 22750 0,1805 0,1884 247751
10 13796 0,1483 0,1561 238753
11 4718 0,1157 0,1313 231855
12 7621 0,1261 0,1419 234800
13 10732 0,1373 0,1460 235939
14 5770 0,1195 0,1349 232857
15 6801 0,1232 0,1378 233665
16 7512 0,1258 0,1347 232798
17 6522 0,1222 0,1380 233711
18 5813 0,1197 0,1365 233290
19 4121 0,1136 0,1294 231309
20 4812 0,1161 0,1303 231582
21 7012 0,1240 0,1362 233208
22 6621 0,1226 0,1344 232704
23 655 0,1011 0,1241 229848
24 7905 0,1272 0,1379 233698
25 548 0,1008 0,1235 229682
26 978 0,1023 0,1246 229976
27 5890 0,1199 0,1295 231336
28 3849 0,1126 0,1281 230964
29 2134 0,1064 0,1256 230274
30 2311 0,1071 0,1253 230189
31 2622 0,1082 0,1267 230575
32 429 0,1003 0,1230 229549
33 11368 0,1396 0,1466 236095
Adapun penjelasan dari tabel diatas yaitu :
a) Data Real diperoleh dari data asli tahun terakhir
b) Data Target diperoleh dari data testing yang sudah di normalisasi
c) Data Target Prediksi diperoleh dari hasil pengujian menggunakan Software Matlab R201b, adapun paramater
pencarian data target prediksi sebagai berikut :
1) >>net=newff(minmax(PP),[2,1].{‘tansig’,’logsig’},’traingd’);
2) >> net=IW{1,1};
3) >> net.b{1};
4) >> net.LW{2,1};

Bagus Supranda, RESOLUSI, Page 157

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
5) >> net.b{2};
6) >> net.trainParam.epochs=100000;
7) >> net.trainParam.goal=0.001;
8) >> net.trainParam.Lr=0.01;
9) >> net.trainParam.show=1000;
10) >> net=train(net,PP,TT)
Setelah proses pengujian selesai, selanjutnya untuk mendapatkan hasil target prediksi digunakan rumus :
[a,Pf,Af,e,Perf]=sim(net,PP,[],[],TT)
3.3. Prediksi Tahun 2021 Menggunakan Arsitektur 2-2-1
Dalam melakukan pengujian data untuk memperoleh hasil prediksi yang diinginkan menggunakan model arsitektur 2-2-
1 terbaik yang diperoleh melalui langkah yang sudah dilakukan penulis menggunakan software Matlab R2011b.
Adapun hasil prediksi terhadap jumlah pertumbuhan kendaraan untuk tahun 2021 dapat dilihat pada Tabel 7. berikut.
Tabel 7. Prediksi Jumlah Pertumbuhan Kendaraan 2021
No Data Real (2020) Target Target Prediksi Prediksi
1 287966 0,9000 0,3329 246554
2 265103 0,8364 0,2508 240557
3 241808 0,7717 0,1671 234447
4 235995 0,7555 0,1462 232922
5 244923 0,7803 0,1783 235264
6 240244 0,7673 0,1615 234036
7 236024 0,7556 0,1463 232929
8 231605 0,7433 0,1304 231770
9 247751 0,7882 0,1884 236005
10 238753 0,7632 0,1561 233645
11 231855 0,7440 0,1313 231836
12 234800 0,7522 0,1419 232608
13 235939 0,7553 0,1460 232907
14 232857 0,7468 0,1349 232099
15 233665 0,7490 0,1378 232311
16 232798 0,7466 0,1347 232083
17 233711 0,7491 0,1380 232323
18 233290 0,7480 0,1365 232212
19 231309 0,7425 0,1294 231693
20 231582 0,7432 0,1303 231764
21 233208 0,7477 0,1362 232191
22 232704 0,7463 0,1344 232059
23 229848 0,7384 0,1241 231310
24 233698 0,7491 0,1379 232319
25 229682 0,7379 0,1235 231266
26 229976 0,7388 0,1246 231343
27 231336 0,7425 0,1295 231700
28 230964 0,7415 0,1281 231602
29 230274 0,7396 0,1256 231421
30 230189 0,7393 0,1253 231399
31 230575 0,7404 0,1267 231500
32 229549 0,7376 0,1230 231231
33 236095 0,7558 0,1466 232948
Adapun penjelasan dari tabel diatas yaitu :
1) Data Real diperoleh dari data asli tahun terakhir
2) Data Target diperoleh dari data testing yang sudah di normalisasi
3) Target Prediksi diperoleh dari hasil pengujian menggunakan Software Matlab R201b.
3.4. Perbandingan Data Awal dengan Hasil Prediksi
Berikut merupakan perbandingan jumlah pertumbuhan kendaraan tahun 2017-2019 dengan jumlah penjualan kelapa
sawit hasil prediksi menggunakan jaringan saraf tiruan metode backpropagation untuk tahun 2020. Dari hasil rekap data
dapat diketahui bahwa jumlah penjualan tahun 2020 dengan tahun 2021 ada yang akan mengalami peningkatan dan ada
juga yang mengalami penurunan. Secara rinci dapat dilihat dari tabel 8. berikut.

Bagus Supranda, RESOLUSI, Page 158

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
Tabel 8. Data Jumlah Pertumbuhan Kendaraan (2017-2021)
No UPT Tahun
2017 2018 2019 2020 2021
1 Medan Utara 96584 163352 223135 287966 246554
2 Medan Selatan 29884 30652 52240 265103 240557
3 Lubuk Pakam 13904 12304 19694 241808 234447
4 Tebing Tinggi 8486 7678 11028 235995 232922
5 Pematang Sianta 14987 15988 25407 244923 235264
6 Binjai 12029 11658 17669 240244 234036
7 Stabat 8792 7464 11760 236024 232929
8 Tanjung Balai 3542 2950 4575 231605 231770
9 Kisaran 18037 17012 22750 247751 236005
10 Rantau Prapat 11701 9500 13796 238753 233645
11 Lima Puluh 4594 2696 4718 231855 231836
12 Perdagangan 7812 6040 7621 234800 232608
13 Sei Rampah 8674 7396 10732 235939 232907
14 Aek Kanopan 5535 4088 5770 232857 232099
15 Kota Pinang 6936 4596 6801 233665 232311
16 Kabanjahe 4613 4719 7512 232798 232083
17 Pangkalan Brandan 6372 5127 6522 233711 232323
18 Sibolga 5796 4759 5813 233290 232212
19 Sidikalang 2687 2949 4121 231309 231693
20 Tarutung 2818 3466 4812 231582 231764
21 Padang Sidimpuan 4878 5353 7012 233208 232191
22 Panyabungan 3922 5107 6621 232704 232059
23 Sibuhuan 818 749 655 229848 231310
24 Gunung Sitoli 5561 5802 7905 233698 232319
25 Gunung Tua 476 549 548 229682 231266
26 Natal 919 995 978 229976 231343
27 Pandan 1544 3935 5890 231336 231700
28 Balige 2254 2473 3849 230964 231602
29 Teluk Dalam 1333 1463 2134 230274 231421
30 Pangururan 1172 1355 2311 230189 231399
31 Dolok Sanggul 1669 1971 2622 230575 231500
32 Salak 264 339 429 229549 231231
33 Sipirok 7390 8877 11368 236095 232948

4. KESIMPULAN
Dari uraian pada bab sebelumnya, maka penulis mengambil beberapa kesimpulan yaitu, penggunaan metode
backpropagation dapat digunakan dalam memprediksi jumlah pertumbuhan kendaraan di Sumatera Utara . Hasil uji
coba yang dilakukan dengan software MATLAB R2011b model arsitektur terbaiknya adalah model 2-2-1 dengan tingkat
akurasi 94% dengan jumlah MSE 0.000208514, nilai epoch 789. Dapat disimpulkan bahwa metode Backpropagation
dapat di jadikan salah satu metode prediksi yang memudahkan dalam mencari prediksi apapun

REFERENCES
[1] M. C. Amin, “Faktor- Faktor Yang Mempengaruhi Pertumbuhan Kendaraan Bermotor Roda Dua Di Kota Pekanbaru,” pp.
1106–1120, 2017.
[2] G. Guntoro, L. Costaner, and L. Lisnawita, “Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode
Backpropagation,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 14, no. 1, p. 50, 2019.
[3] M. Andrijasa et al., “Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan
Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation,” J. Inform. Mulawarman, vol. 5, no. 1, 2010.
[4] Husni, “Kecerdasan Buatan,” 2012.
[5] C. Oktaviani and Afdal, “Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan Dengan Beberapa Fungsi
Pelatihan Backpropagation,” J. Fis. Unand, vol. 2, no. 4, pp. 228–237, 2013.
[6] F. Tempola and S. Do Abdullah, “Case-Based Reasoning ( CBR ) untuk Penentuan Kelayakan Mahasiswa Penerima
Beasiswa,” vol. 5, no. 2, pp. 1–5, 2018.
[7] C. Iswahyudi and E. Sutanta, “USE CASE DIAGRAM,” 2018.
[8] A. Paramitha, S. Kom, and M. Kom, “( Activity Diagram ),” 2018.
[9] B. Hardian, M. Sulisetyani, and R. Rafian, “Diagram sequence uml,” no. 51412367, pp. 1–11, 2014.
[10] P. D. Liksha, “Aplikasi Akuntansi Pengolahan Data Jasa Service,” vol. 1, no. 1, pp. 1–14, 2018.
[11] R. Nurmalina, “Perencanaan dan Pengembangan Aplikasi Absensi Mahasiswa Menggunakan Smart Card Guna

Bagus Supranda, RESOLUSI, Page 159

 RESOLUSI : Rekayasa Teknik Informatika dan Informasi
ISSN 2745-7966 (Media Online)
Vol 2, No 4, Maret 2022
Hal 152-160
https://djournals.com/resolusi
Pengembangan Kampus Cerdas ( Studi Kasus Politeknik Negeri Tanah Laut ),” vol. 9, no. 1, pp. 84–91, 2017.
[12] A. MS and M. H. Baysha, “Pengaruh Media Pembelajaran Matrix Laboratory (Matlab) Terhadap Hasil Belajar Siswa,” vol.
3, pp. 10–20, 2018.
[13] A. Fitriana, “Pengembangan Kapasitas (Capacity Building) Dosen Lektor Kepala Dalam Rangka Meningkatkan Kinerja
Dosen Pada Fakultas Teknik Universitas Gadjah Mada Universitas Pendidikan Indonesia | repository.upi.edu |
perpustakaan.upi.edu,” 2016.
[14] Ismail, “Penyakit Anemia Dengan Metode Forward Chaining Berbasis Android,” Repositori.Uin-alauddin.ac.id, pp. 1–12,
2017.

Bagus Supranda, RESOLUSI, Page 160